VGG16训练时间长，Accuracy 比率固定不变问题
来源：4-4 VGG-ResNet实战（1）
慕沐7111664
2020-12-20
环境：
CPU R7-4800H
Memery 32G
Tensorflow 2.3 (无GPU)
使用 https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz 的鲜花图片集作为训练和验证集。依据教学自行搭建了VGG16网络，并使用了Dropout方法。训练10次发现如下2现象：
- 每次训练时间大约在 740s～780s，和教学演示速度差距很大。
- 训练10次发现 accuracy 比率一直固定在 0.18多，并不会出现 accuracy 增长的情况。转化使用5层的网络发现 accuracy 比率却可以达到 0.88
问题:
a. VGG在训练较大的图片时一直会这么慢吗，是否有相应办法可以加速训练？
b. VGG的 accuracy 比率为和会固定 0.1816的数值上，是否是网络搭建有问题？
c. 5层的卷积网络在有限的图片识别的分类上结果能够达到很高的 accuracy 比率，是否可以认为普通5层网络已经足够进行物体分类识别？
vgg16和5层卷积网络对比：
图一: 自行构建vgg16
图二: vgg16 model summary层次。
图三: vgg16模型训练的 accuracy 比率
图四：对比，自行搭建5层网络
图五: 对比，五层网络 Model summary
图六: 对比，5层网络训练结果
1回答
-
正十七
2021-01-07
> a. VGG在训练较大的图片时一直会这么慢吗，是否有相应办法可以加速训练？
大图片带来的时间是平方级的变化，会慢很多，建议用GPU。
> b. VGG的 accuracy 比率为和会固定 0.1816的数值上，是否是网络搭建有问题？
网络的搭建感觉不是问题，可能在于初始化，optimizer， learning rate上。
> c. 5层的卷积网络在有限的图片识别的分类上结果能够达到很高的 accuracy 比率，是否可以认为普通5层网络已经足够进行物体分类识别？
不可以，泛化能力肯定是随着模型越大，数据集越大而逐步提升的。
00
相似问题